短期风速预测

摘要： 针对风速序列不平稳难以预测的问题,提出了一种混沌麻雀搜索算法(CSSA)优化最小二乘支持向量机(LSSVM)参数的短期风速预测混合模型。模型结合样本熵(SE)和具有自适应噪声改进的互补集成经验模态分解(ICEEMDAN)、变分模态分解(VMD)两阶段分解的数据预处理方法。首先,利用ICEEMDAN分解原始风速序列,且依据SE评估子序列的复杂程度,重构熵值近似的序列,VMD二次分解熵值最大的序列。然后对所有子序列分别建立LSSVM预测模型,同时CSSA对该模型参数优化以提高预测效率。最后将预测的各子序列叠加得到最终风速预测值。通过与经典模态分解等混合模型比较表明,所提基于优化算法的模型预测精度和收敛速度有明显提高。

摘要： 风速预测是风电场规划和电网运行的重要环节,其中风速在不同时间尺度的时间序列预测对风电场前期规划以及发电量预测有着重要意义.设计了一个基于Elman神经网络预测风速时间序列的软件,输入变量包括历史风速、历史风向、历史风功率、历史比湿、历史地面气压、历史温度,选择风速高度、输入节点数,进而可进行神经网络预测.以内蒙古中部地区风速时间序列为研究对象,采用最大Lyapunov指数法分析了时间序列的混沌性,然后基于所设计的软件对该风速时间序列进行了短期预测.结果表明采用Elman神经网络对风速时间序列预测结果误差较小,能有效预测风速.

摘要： 可靠准确的短期风速预测有利于电网安全稳定的运行.由于风速具有显著的随机性且受多种因素影响,难以达到令人满意的预测精度.为了提高预测精度,提出了一种新型混合预测模型.在提出的预测模型中,利用小波变换(WT)将原始风速序列分解为低频和高频子序列,利用长短期记忆(LSTM)网络和自回归滑动平均(ARMA)模型分别预测低频和高频子序列.最后,利用河北省某风电厂收集的风速数据对模型进行了验证,并与7种不同的预测模型进行了性能比较.实验结果表明,所提出的预测模型在预测精度方面优于其它模型,在短期风速预测中具有令人满意的性能.

摘要： 针对风电场风速波动快、预测难的特点,构建了一种基于小波分解与支持向量回归机模型组合的风电场短期风速预测方法.该方法首先将变化剧烈的原始风速序列用小波分解为多个变化较为平缓的风速分量,然后再针对各分量利用支持向量回归机模型分别进行预测,最后将预测的结果重构得到最终的风速预测序列.利用MATLAB进行了算法仿真,仿真结果表明:基于小波分解与支持向量回归机的风电场短期风速预测方法可以实现风速的高精度预测预报,比单一支持向量回归机模型的预测精度更高,可以为风电场的实际生产与调度提供决策依据.

摘要： 综合考虑风电机组轮毂处历史风速规律和近期数值气象预报风速变化,对时间尺度为6h以内的风电机组轮毂处风速进行预测.为提高风速骤变情况下短期风速预测精度,提出一种新的组合神经网络.针对信号分解后的不同频率子序列特点,采用深度卷积神经网络和门控循环递归单元对趋势项子序列进行预测,用建立的Elman循环递归神经网络对细节项子序列进行预测.利用降尺度后的数值气象预报风速来判断风速骤变拐点,采用广义自回归条件异方差模型对非拐点风速预测值进行修正.最后,利用新疆某风电场实际风速数据进行实验,以平均绝对误差、均方误差及平均绝对百分比误差计算确定性预测精度,以覆盖率和区间宽度计算不确定性预测精度,结果验证了所提算法的有效性.

摘要： 针对风电场风速时间序列的非线性、非平稳性特征,提出了一种基于经验模态分解(Empirical Mode Decomposition,EMD)、时间序列法和卡尔曼滤波(Kalman Filter,KF)的组合预测方法,并用于短期风速预测.首先采用EMD将风速时间序列分解为一系列本征模函数(Intrinsic Mode Function,IMF);其次利用自回归滑动平均(Auto Regressive Moving Average,ARMA)模型建立符合每一个IMF变化规律的模型方程;然后基于各IMF模型方程建立卡尔曼滤波的状态方程和观测方程,实现对各IMF的预测;最后将各IMF的预测结果进行叠加得到最终风速预测值.将该方法与ARMA+KF模型和EMD+ARMA模型的风速预测结果进行对比,结果表明:采用组合预测方法能够提高预测精度,同时预测延时小.

摘要： 风电场短期风速预测对大规模风电并网有着重要的意义.本文对已有的风速预测方法进行了总结归类,并提出一种新颖的基于模式匹配算法进行风电场短期风速预测,建立了基于该算法的预测模型,并且同持续法短期风速预测进行对比,同时对二者的误差进行了分析.实验结果表明,基于模式匹配算法预测在风速连续平滑段有很高的预测精度.其预测的均方根误差与误差方差均远小于持续法,误差的概率分布更为合理.

摘要： 准确的短期风速预测,可以有效地减轻风电场对电力系统的不利影响,提高风电场在电力市场中的竞争力.由于风速具有很强的随机性和波动性,常规的风速预测方法在风速突变点均存在较大的预测误差,且通过改善预测方法本身无法得到有效地解决.本文从预测数据后期修正的角度出发,通过对历史风速数据波动特性进行数理统计,建立了一种基于波动特性及一定置信水平的短期风速预测修正公式,进而将原始风速预测值进行修正处理,得到优化风速预测值.该方法可以应用于不同方法风速预测结果的修正.对基于灰色GM(1,1)模型的风速预测结果进行修正,验证了该方法的有效性和可行性.

摘要： 风力发电具有波动性、间歇性和随机性的特点,大容量的风力发电接入,会对电力系统的安全、稳定运行带来严峻挑战,进行短期风速预测对并网风力发电系统的运行具有重要意义。根据风速具有混沌特性,采用相空间重构理论对短期风速进行预测.由嵌入时间窗和、的关系,确定了和的多组可行匹配,并找出一个最佳匹配进行相空间重构.在选取参考点时既考虑相点欧式距离又考虑其空间及时间上的相关性,有效克服"伪邻近点"的影响,提高了预测精度.预测模型采用了一阶局域预测模型和BP神经网络两种模型.算例分析结果验证了所提出方法的可行性和有效性.

摘要： 大规模风电并网条件下,准确稳定的风电场短期功率预测使风电场获得竞争优势,同时对保障电力系统安全经济运行也有重要意义.准确的风速预测是风电场短期功率预测的关键,本文对数值天气预报(numerical weather prediction,NWP)统计降尺度方法(statistical downscaling,SDS)进行了研究,以某地形复杂风电场为例,使用风机实测数据验证了SDS模型:首先,SDS模型得到的风机位置轮毂高度预测风速均方根误差小于2.54m/s;其次,预测风速具有小误差样本出现概率高的特点.

摘要： 大规模风电并网条件下,准确稳定的风电场短期功率预测使风电场获得竞争优势,同时对保障电力系统安全经济运行也有重要意义.准确的风速预测是风电场短期功率预测的关键,本文对数值天气预报(numerical weather prediction,NWP)统计降尺度方法(statistical downscaling,SDS)进行了研究,以某地形复杂风电场为例,使用风机实测数据验证了SDS模型:首先,SDS模型得到的风机位置轮毂高度预测风速均方根误差小于2.54m/s;其次,预测风速具有小误差样本出现概率高的特点.

摘要： 大规模风电并网条件下,准确稳定的风电场短期功率预测使风电场获得竞争优势,同时对保障电力系统安全经济运行也有重要意义.准确的风速预测是风电场短期功率预测的关键,本文对数值天气预报(numerical weather prediction,NWP)统计降尺度方法(statistical downscaling,SDS)进行了研究,以某地形复杂风电场为例,使用风机实测数据验证了SDS模型:首先,SDS模型得到的风机位置轮毂高度预测风速均方根误差小于2.54m/s;其次,预测风速具有小误差样本出现概率高的特点.

摘要： 大规模风电并网条件下,准确稳定的风电场短期功率预测使风电场获得竞争优势,同时对保障电力系统安全经济运行也有重要意义.准确的风速预测是风电场短期功率预测的关键,本文对数值天气预报(numerical weather prediction,NWP)统计降尺度方法(statistical downscaling,SDS)进行了研究,以某地形复杂风电场为例,使用风机实测数据验证了SDS模型:首先,SDS模型得到的风机位置轮毂高度预测风速均方根误差小于2.54m/s;其次,预测风速具有小误差样本出现概率高的特点.

摘要： 风速预测对风电场规划设计和电力系统的运行都具有重要意义。对采样时间为15min的风速时间序列建立ARMA（自回归移动平均）模型，利用拉格朗日乘数法检验ARMA模型残差的ARCH(自回归条件异方差)效应，建立ARMA-ARCH模型。分别使用ARMA模型和ARMA-ARCH模型对风速时间序列进行短期预测，并比较两者精度。结果表明，ARMA-ARCH模型具有更高的预测精度，具有一定的实用价值。

摘要： 风速预测对风电场规划设计和电力系统的运行都具有重要意义。对采样时间为15min的风速时间序列建立ARMA（自回归移动平均）模型，利用拉格朗日乘数法检验ARMA模型残差的ARCH(自回归条件异方差)效应，建立ARMA-ARCH模型。分别使用ARMA模型和ARMA-ARCH模型对风速时间序列进行短期预测，并比较两者精度。结果表明，ARMA-ARCH模型具有更高的预测精度，具有一定的实用价值。

摘要： 本公开提供一种短期风速混合预测方法，包括：获取一定采样间隔的风电场原始高分辨率风速数据，将其划分为训练集和测试集，采用平均法分别获得训练集和测试集的低分辨率风速数据；分别对低分辨率风速数据和高分辨率风速数据进行特征提取和数据压缩，以建立多分辨率风速数据混合模型；对初步预测结果中的可预测成分进行二次开发，采用自适应误差校正方法对多分辨率风速数据混合模型的误差进行预测，对预测结果进行矫正；采用多个位置的风速序列重新挖掘多位置间的相关信息提高预测模型精度，最终实现基于多分辨率混合模型下的多位置数据融合预测。通过使用多种方法结合的风速混合预测系统提高风速预测系统的准确性、鲁棒性及系统泛化能力。

摘要： 本发明公开了一种基于多视角风速模式挖掘的短期风速预测方法方法，包括：采集风电场的风速历史数据，形成历史风速的时间序列；通过互信息法确定时间序列的延迟；根据获得的延迟将风速时间序列转换成为矩阵型数据，获得风速样本；根据风速样本从风速的统计信息、风速变化趋势和风速波动趋势三个视角提取描述风速变化规律的特征信息；对风速样本进行归一化处理，获得归一化后的风速变化的特征信息；基于归一化后的风速变化的特征信息，通过多视角聚类算法对风速样本进行聚类，从而建立具有k个簇集的短期风速预测的模型；计算待预测的风速样本与上述确定的k个簇集之间的欧式距离，利用其中欧式距离最小的簇集所对应的SVR风速预测模型完成风速预测。

摘要： 本发明公开一种基于风速特性的短期风速预测方法及系统。该预测方法包括：获取原始风速序列；对所述风速序列进行奇异值分解，获取去噪序列和噪声余项；获取对所述去噪序列进行变分模态分解的最优模态数；对所述去噪序列进行变分模态分解，获取各分量序列；利用改进的平均影响值法获取所述环境因素中与输出风速高相关的信息，并结合所述分量序列或余项建立长短期记忆网络模型；通过改进的极值优化法优化网络模型，获取预测模型；通过所述预测模型对所述各分量序列和所述噪声序列进行预测，获取各分量和余项预测结果；累加各分量和余项预测结果，获取风速预测结果；本发明的风速预测方法或系统显著提高了预测模型可靠性，可获得高精度预测结果。

摘要： 本发明公开了一种基于多视角风速模式挖掘的短期风速预测方法方法，包括：采集风电场的风速历史数据，形成历史风速的时间序列；通过互信息法确定时间序列的延迟；根据获得的延迟将风速时间序列转换成为矩阵型数据，获得风速样本；根据风速样本从风速的统计信息、风速变化趋势和风速波动趋势三个视角提取描述风速变化规律的特征信息；对风速样本进行归一化处理，获得归一化后的风速变化的特征信息；基于归一化后的风速变化的特征信息，通过多视角聚类算法对风速样本进行聚类，从而建立具有k个簇集的短期风速预测的模型；计算待预测的风速样本与上述确定的k个簇集之间的欧式距离，利用其中欧式距离最小的簇集所对应的SVR风速预测模型完成风速预测。

摘要： 基于频域多尺度风速信号可预报性的超短期风速预测方法，属于分析和测量控制技术领域，涉及基于频域多尺度风速信号可预报性的超短期风速预测方法。为解决现有预测方法未考虑频域多尺度的可预报性问题和统计预报模型中输入空间的数据维数选取需要依靠经验而导致的预测精度低、模型训练时间长的问题，通过增加可预报性分析和自相关性分析技术步骤避免了高频分量预测的步数过长而导致叠加后反而对预测结果产生负面影响有效提高了超短期风速预测的精度并减少了模型训练的时间。本发明主要用于风电场对电场功率的预测，从而帮助电网制定合理的调度计划，确定旋转备用，安全经济地保证电网的运行。

摘要： 本发明公开了一种基于LSTM神经网络的短期风速预测模型建模方法，包括如下步骤：步骤一：采集数据，得到原始风速序列数据；步骤二：预处理：得到预处理风速序列数据，以剔除原始风速序列数据中的具有显著规律的波动特征；步骤三：数据分割：将预处理风速序列数据分割为训练集和验证集；步骤四：创建LSTM神经网络模型，初始化超参数；步骤五：以训练集训练LSTM神经网络模型，并以贝叶斯优化算法对LSTM神经网络模型的超参数进行优化选择，得到短期风速预测模型。本发明还提出了一种基于LSTM神经网络的短期风速预测方法，通过挖掘风速序列的波动特性并优化选择超参数，从而提高短期风速的预测效果。

摘要： 本发明公开了一种超短期风速预测方法及装置，其中方法包括：获取风速时间数据，对风速时间数据进行间隔采样，获得时间序列；将采样获得的时间序列分解为近似序列和细节序列；对近似序列和细节序列的高阶张量进行汉克化处理，获得三阶张量；对三阶张量沿着时间维度切片，并对每一个时刻的二阶张量切片使用塔克分解，获得低秩高阶时间序列；将核心张量时间序列送入长短期记忆网络进行学习，训练得到最优网络参数，并预测得到未来时刻的二阶核心张量切片；对二阶核心张量切片进行变换处理，获得未来的风速预测值。本发明在数据处理环节先分解一维风速时间序列，获得高频特征和低频特征；有效提高预测能力，可广泛应用于风电场的风速预测领域。

摘要： 本发明公开了一种基于时空相关性的风电场短期风速预测方法，该方法基于VMD和混合深度学习模型CNN‑Attention‑LSTM，首先获取目标站点风速的时空数据，经过数据清理后进行VMD分解，获得较为稳定的IMF(固有模态函数)分量；进一步地，针对各IMF分量，应用底层的CNN模型抽取风速的空域特征；再应用项层LSTM模型进行风速时域特征的提取并得到各分量的预测结果，同时融合通道注意力机制；最后进行合并获得最终预测风速。本发明充分利用风速的时空相关性，结合VMD和CNN‑Attention‑LSTM网络，改善原始风速的不平稳特性，有效提高风速预测精度，可以优化包含风电场的电网调度性能，保障电力系统的可靠、经济运行。

摘要： 本发明涉及一种基于优化算法的提高短期风速预测精度的方法，(1)获得原始气象特征；(2)气象特征提取；(3)气象特征矩阵；(4)采用气象特征训练预测模型；(5)对一下段风速进行预测并计算交叉验证误差；(6)智能优化算法结果，结果返回步骤(2)。为提高短期风速预测精度，研究了考虑气象特征提取的短期风速预测方法，针对输入气象特征较多且难以提取，提出一种简易气象特征提取方法，通过极限学习机和改进珊瑚礁算法，从较多气象特征中提取最优气象特征。以最优气象特征为预测模型输入，能够有效增强模型泛化能力，能够有效提取气象特征，提高预测精度，具有一定的实用价值。

摘要： 本发明公开一种集成数据去噪、麻雀搜索算法和多层极限学习机的短期风速预测方法，步骤为：1)建立风速预测模型；2)获取实时风速；3)将实时风速输入到风速预测模型中，完成未来多步风速预测。本发明可以实现短期风速高质量的预测，以确保电力系统的经济调度和安全运行。